[论文解读] MedSensor: Medication Adherence Monitoring Using Neural Networks on Smartwatch Accelerometer Sensor Data

Chrisogonas O. Odhiambo, Pamela J. Wright+2 more|arXiv (Cornell University)|May 19, 2021

Medication Adherence and Compliance参考文献 27被引用 5

一句话总结

MedSensor 提出了一种基于智能手表的系统，利用加速度计数据和深度神经网络，对服药动作进行检测，在受控动作中准确率达到97%，在自然动作中达到95%，通过最少的用户交互实现非侵入性、实时的服药依从性监测。

ABSTRACT

Poor medication adherence presents serious economic and health problems including compromised treatment effectiveness, medical complications, and loss of billions of dollars in wasted medicine or procedures. Though various interventions have been proposed to address this problem, there is an urgent need to leverage light, smart, and minimally obtrusive technology such as smartwatches to develop user tools to improve medication use and adherence. In this study, we conducted several experiments on medication-taking activities, developed a smartwatch android application to collect the accelerometer hand gesture data from the smartwatch, and conveyed the data collected to a central cloud database. We developed neural networks, then trained the networks on the sensor data to recognize medication and non-medication gestures. With the proposed machine learning algorithm approach, this study was able to achieve average accuracy scores of 97% on the protocol-guided gesture data, and 95% on natural gesture data.

研究动机与目标

• 为应对服药依从性差这一重大公共卫生挑战，开发一种使用可穿戴传感器的、最小化干扰的技术解决方案。
• 收集并分析智能手表在服药和非服药手部动作期间的加速度计数据。
• 在该数据上训练并评估神经网络，以区分服药与非服药动作。
• 在真实环境中对受控动作和自然发生的动作评估系统性能。
• 证明利用现成智能手表实现高精度、可扩展的服药依从性监测的可行性。

提出的方法

• 开发了 Android 应用程序，用于在服药和对照动作期间从智能手表收集原始加速度计数据。
• 收集受试者佩戴智能手表时执行受控动作和自然发生动作的数据。
• 通过将加速度计数据分割为固定长度窗口，并应用特征工程提取时域和频域特征，对数据进行预处理。
• 在分割后的数据上训练多种神经网络架构，将动作分类为服药或非服药。
• 使用基于云的数据库存储和管理收集到的传感器数据，用于模型训练和评估。
• 使用标准指标（包括准确率）评估模型在受控和真实世界动作集上的性能。

实验结果

研究问题

• RQ1 智能手表加速度计数据能否可靠地区分服药动作与其他手部运动？
• RQ2 模型在受控动作与自然发生动作中的准确率有何差异？
• RQ3 在传感器数据上训练的神经网络在分类服药行为方面能达到多高的准确率？
• RQ4 能否有效部署一种最小化干扰、基于可穿戴设备的系统，实现实时服药依从性监测？
• RQ5 当在真实世界、未经脚本的自然动作与受控的重复动作上测试时，系统的性能如何？

主要发现

• 该系统在分类受控动作中的服药动作时，平均准确率达到97%。
• 在自然发生、未经脚本的动作中，模型仍保持95%的高准确率。
• 神经网络模型在多样的动作模式中表现出良好的泛化能力，表明对现实世界变异具有鲁棒性。
• 使用智能手表加速度计数据实现了非侵入性、连续的监测，无需额外硬件或用户输入。
• 结果表明，现成智能手表可作为实现可扩展服药依从性监测的有效平台。
• 本研究证明了在可穿戴传感器数据上使用机器学习支持临床依从性干预的可行性。